{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5314008"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5314008","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Προηγμένες Τεχνικές Πρόβλεψης Φορτίου με Χρήση Νευρωνικών Δικτύων","abstract":"Η πρόβλεψη φορτίου ηλεκτρικής ενέργειας αποτελεί το πιό κρίσιμο στοιχείο για την αποδοτική διαχείριση και λειτουργία των ενεργειακών συστημάτων. Όσο πιο ακριβή εκτίμηση της ζήτησης ηλεκτρικής ενέργειας έχουμε, τόσο καλύτερα μπορούμε να σχεδιάσουμε την παραγωγή ,αποθήκευση και διανομή της, μειώνοντας έτσι το κόστος λειτουργίας και την βέλτιστη χρήση των πόρων. Ο ορισμός της ζήτησης ηλεκτρικής ενέργειας βάσει της Υπηρεσίας Πληροφοριών Ενέργειας των ΗΠΑ (EIA) είναι : «Ο ρυθμός με τον οποίο η ενέργεια παραδίδεται στα φορτία και στα σημεία προγραμματισμού ανά παραγωγή, εγκαταστάσεις μεταφοράς και διανομής», που ευθυγραμμίζεται με τον ορισμό τους για το ηλεκτρικό φορτίο ως «Συσκευή τελικής χρήσης ή πελάτης που λαμβάνει ισχύ από το ηλεκτρικό σύστημα» [19]. Η πρόβλεψη της κατανάλωσης έχει απευθείας σχέση με τη ζήτηση ηλεκτρικής ενέργειας όπως σε ένα οίκημα, σε ένα εργοστάσιο, σε μία πόλη ή σε μία χώρα. Βεβαίως όσο πιό μεγάλη είναι η κλίμακα για την πρόβλεψη τόσο πιό πολύπλοκα και ογκώδη δεδομένα χρειαζόμαστε . Με την ανάπτυξη της τεχνολογίας μεγάλων δεδομένων (Big Data), τα μεγάλα δεδομένα έχουν πλέον γίνει ερευνητικό θέμα και κοινή ανησυχία στον ακαδημαϊκό χώρο και τη βιομηχανία [10]. Η εις βάθος εφαρμογή της τεχνολογίας συλλογής δεδομένων, η ανάπτυξη του διαδικτύου, η αύξηση του αριθμού των διαφόρων αισθητήρων και έξυπνων συσκευών και η συνεχόμενη εξέλιξη στις λειτουργίες τους, όλα τα είδη των δεδομένων που προσλαμβάνονται είναι πλέον πιο διαφανή και εύκολο να αποκτηθούν. Η συχνότητα συλλογής και η ακρίβεια των δεδομένων της παραγωγής ηλεκτρικής ενέργειας και άλλες πληροφορίες βελτιώνονται επίσης συνεχώς, με τρόπο που μας επιτρέπει να έχουμε ένα υψηλής ποιότητας και μαζικό σύνολο δεδομένων για την έρευνα της πρόβλεψης φορτίου παραγωγής ενέργειας, όπου παρέχει επίσης μια βάση δεδομένων για τη χρήση βαθιάς μηχανικής μάθησης [10]. Στο πλαίσιο της διπλωματικής εργασίας εξετάζεται η χρήση τεχνικών μηχανικής μάθησης και συγκεκριμένα των νευρωνικών δικτύων, για την πρόβλεψη της ζήτησης ηλεκτρικής ενέργειας. Τα νευρωνικά δίκτυα είναι εξαιρετικά ισχυρά στο να αναγνωρίζουν πρότυπα, να μπορούν να μάθουν να συσχετίζουν σύνθετα δεδομένα, γεγονός που τα κάνει κατάλληλα για την πρόβλεψη φορτίου ηλεκτρικής ενέργειας, το οποίο επηρεάζεται από μεγάλο αριθμό 6 παραγόντων όπως οι καιρικές συνθήκες, η οικονομική δραστηριότητα και οι κοινωνικές συμπεριφορές [6]. Η παρούσα διπλωματική εργασία στόχο έχει να σχεδιάσει και να εφαρμόσει ένα μοντέλο νευρωνικών δικτύων, που να ανταποκρίνεται στις σύγχρονες απαιτήσεις των ενεργειακών συστημάτων, και να μπορεί να μας δίνει αξιόπιστες προβλέψεις με το μικρότερο δυνατό στατιστικό λάθος για την βραχυπρόθεσμη, μεσοπρόθεσμη και μακροπρόθεσμη πρόβλεψη της κατανάλωσης ηλεκτρικού φορτίου. Το μοντέλο μας θα εκπαιδευτεί με ιστορικά δεδομένα φορτίου (Οι μετρήσεις αυτές καταγράφονται για την περιοχή Tocumen (toc) στην πόλη του Παναμά, καθώς και για τις πόλεις Santiago (san) και David (dav)) και με επιπλέον παραμέτρους που επηρεάζουν τη ζήτηση. Για την υλοποίηση της πρόβλεψης, χρησιμοποιήσαμε το Matlab, και συγκεκριμένα το Neural Network Toolbox, λόγω της ευρείας βιβλιοθήκης συναρτήσεών του για την υλοποίηση νευρωνικών δικτύων. Με βάση τα αποτελέσματα του πειράματος, καταλήξαμε σε συμπεράσματα για την αξιοπιστία του μοντέλου μας και, γενικότερα, για τα νευρωνικά δίκτυα στην πρόβλεψη της ζήτησης ηλεκτρικής ενέργειας σε σύγκριση με τις παραδοσιακές μεθόδους.","abstract_html":"Η πρόβλεψη φορτίου ηλεκτρικής ενέργειας αποτελεί το πιό κρίσιμο στοιχείο για την αποδοτική διαχείριση και λειτουργία των ενεργειακών συστημάτων. Όσο πιο ακριβή εκτίμηση της ζήτησης ηλεκτρικής ενέργειας έχουμε, τόσο καλύτερα μπορούμε να σχεδιάσουμε την παραγωγή ,αποθήκευση και διανομή της, μειώνοντας έτσι το κόστος λειτουργίας και την βέλτιστη χρήση των πόρων. Ο ορισμός της ζήτησης ηλεκτρικής ενέργειας βάσει της Υπηρεσίας Πληροφοριών Ενέργειας των ΗΠΑ (EIA) είναι : «Ο ρυθμός με τον οποίο η ενέργεια παραδίδεται στα φορτία και στα σημεία προγραμματισμού ανά παραγωγή, εγκαταστάσεις μεταφοράς και διανομής», που ευθυγραμμίζεται με τον ορισμό τους για το ηλεκτρικό φορτίο ως «Συσκευή τελικής χρήσης ή πελάτης που λαμβάνει ισχύ από το ηλεκτρικό σύστημα» [19]. Η πρόβλεψη της κατανάλωσης έχει απευθείας σχέση με τη ζήτηση ηλεκτρικής ενέργειας όπως σε ένα οίκημα, σε ένα εργοστάσιο, σε μία πόλη ή σε μία χώρα. Βεβαίως όσο πιό μεγάλη είναι η κλίμακα για την πρόβλεψη τόσο πιό πολύπλοκα και ογκώδη δεδομένα χρειαζόμαστε . Με την ανάπτυξη της τεχνολογίας μεγάλων δεδομένων (Big Data), τα μεγάλα δεδομένα έχουν πλέον γίνει ερευνητικό θέμα και κοινή ανησυχία στον ακαδημαϊκό χώρο και τη βιομηχανία [10]. Η εις βάθος εφαρμογή της τεχνολογίας συλλογής δεδομένων, η ανάπτυξη του διαδικτύου, η αύξηση του αριθμού των διαφόρων αισθητήρων και έξυπνων συσκευών και η συνεχόμενη εξέλιξη στις λειτουργίες τους, όλα τα είδη των δεδομένων που προσλαμβάνονται είναι πλέον πιο διαφανή και εύκολο να αποκτηθούν. Η συχνότητα συλλογής και η ακρίβεια των δεδομένων της παραγωγής ηλεκτρικής ενέργειας και άλλες πληροφορίες βελτιώνονται επίσης συνεχώς, με τρόπο που μας επιτρέπει να έχουμε ένα υψηλής ποιότητας και μαζικό σύνολο δεδομένων για την έρευνα της πρόβλεψης φορτίου παραγωγής ενέργειας, όπου παρέχει επίσης μια βάση δεδομένων για τη χρήση βαθιάς μηχανικής μάθησης [10]. Στο πλαίσιο της διπλωματικής εργασίας εξετάζεται η χρήση τεχνικών μηχανικής μάθησης και συγκεκριμένα των νευρωνικών δικτύων, για την πρόβλεψη της ζήτησης ηλεκτρικής ενέργειας. Τα νευρωνικά δίκτυα είναι εξαιρετικά ισχυρά στο να αναγνωρίζουν πρότυπα, να μπορούν να μάθουν να συσχετίζουν σύνθετα δεδομένα, γεγονός που τα κάνει κατάλληλα για την πρόβλεψη φορτίου ηλεκτρικής ενέργειας, το οποίο επηρεάζεται από μεγάλο αριθμό 6 παραγόντων όπως οι καιρικές συνθήκες, η οικονομική δραστηριότητα και οι κοινωνικές συμπεριφορές [6]. Η παρούσα διπλωματική εργασία στόχο έχει να σχεδιάσει και να εφαρμόσει ένα μοντέλο νευρωνικών δικτύων, που να ανταποκρίνεται στις σύγχρονες απαιτήσεις των ενεργειακών συστημάτων, και να μπορεί να μας δίνει αξιόπιστες προβλέψεις με το μικρότερο δυνατό στατιστικό λάθος για την βραχυπρόθεσμη, μεσοπρόθεσμη και μακροπρόθεσμη πρόβλεψη της κατανάλωσης ηλεκτρικού φορτίου. Το μοντέλο μας θα εκπαιδευτεί με ιστορικά δεδομένα φορτίου (Οι μετρήσεις αυτές καταγράφονται για την περιοχή Tocumen (toc) στην πόλη του Παναμά, καθώς και για τις πόλεις Santiago (san) και David (dav)) και με επιπλέον παραμέτρους που επηρεάζουν τη ζήτηση. Για την υλοποίηση της πρόβλεψης, χρησιμοποιήσαμε το Matlab, και συγκεκριμένα το Neural Network Toolbox, λόγω της ευρείας βιβλιοθήκης συναρτήσεών του για την υλοποίηση νευρωνικών δικτύων. Με βάση τα αποτελέσματα του πειράματος, καταλήξαμε σε συμπεράσματα για την αξιοπιστία του μοντέλου μας και, γενικότερα, για τα νευρωνικά δίκτυα στην πρόβλεψη της ζήτησης ηλεκτρικής ενέργειας σε σύγκριση με τις παραδοσιακές μεθόδους.","abstract_has_math":false,"creators":["Γραμματικός Δημήτριος","Grammatikos Dimitrios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:40:54Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5314008"],"render_values":[{"text":"uoadl:5314008","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5314008","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5314008","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5314008","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Γραμματικός Δημήτριος","Grammatikos Dimitrios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5314008","https://pergamos.lib.uoa.gr/uoa/dl/object/5314008"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η πρόβλεψη φορτίου ηλεκτρικής ενέργειας αποτελεί το πιό κρίσιμο στοιχείο για την αποδοτική διαχείριση και λειτουργία των ενεργειακών συστημάτων. Όσο πιο ακριβή εκτίμηση της ζήτησης ηλεκτρικής ενέργειας έχουμε, τόσο καλύτερα μπορούμε να σχεδιάσουμε την παραγωγή ,αποθήκευση και διανομή της, μειώνοντας έτσι το κόστος λειτουργίας και την βέλτιστη χρήση των πόρων. Ο ορισμός της ζήτησης ηλεκτρικής ενέργειας βάσει της Υπηρεσίας Πληροφοριών Ενέργειας των ΗΠΑ (EIA) είναι : «Ο ρυθμός με τον οποίο η ενέργεια παραδίδεται στα φορτία και στα σημεία προγραμματισμού ανά παραγωγή, εγκαταστάσεις μεταφοράς και διανομής», που ευθυγραμμίζεται με τον ορισμό τους για το ηλεκτρικό φορτίο ως «Συσκευή τελικής χρήσης ή πελάτης που λαμβάνει ισχύ από το ηλεκτρικό σύστημα» [19]. Η πρόβλεψη της κατανάλωσης έχει απευθείας σχέση με τη ζήτηση ηλεκτρικής ενέργειας όπως σε ένα οίκημα, σε ένα εργοστάσιο, σε μία πόλη ή σε μία χώρα. Βεβαίως όσο πιό μεγάλη είναι η κλίμακα για την πρόβλεψη τόσο πιό πολύπλοκα και ογκώδη δεδομένα χρειαζόμαστε . Με την ανάπτυξη της τεχνολογίας μεγάλων δεδομένων (Big Data), τα μεγάλα δεδομένα έχουν πλέον γίνει ερευνητικό θέμα και κοινή ανησυχία στον ακαδημαϊκό χώρο και τη βιομηχανία [10]. Η εις βάθος εφαρμογή της τεχνολογίας συλλογής δεδομένων, η ανάπτυξη του διαδικτύου, η αύξηση του αριθμού των διαφόρων αισθητήρων και έξυπνων συσκευών και η συνεχόμενη εξέλιξη στις λειτουργίες τους, όλα τα είδη των δεδομένων που προσλαμβάνονται είναι πλέον πιο διαφανή και εύκολο να αποκτηθούν. Η συχνότητα συλλογής και η ακρίβεια των δεδομένων της παραγωγής ηλεκτρικής ενέργειας και άλλες πληροφορίες βελτιώνονται επίσης συνεχώς, με τρόπο που μας επιτρέπει να έχουμε ένα υψηλής ποιότητας και μαζικό σύνολο δεδομένων για την έρευνα της πρόβλεψης φορτίου παραγωγής ενέργειας, όπου παρέχει επίσης μια βάση δεδομένων για τη χρήση βαθιάς μηχανικής μάθησης [10]. Στο πλαίσιο της διπλωματικής εργασίας εξετάζεται η χρήση τεχνικών μηχανικής μάθησης και συγκεκριμένα των νευρωνικών δικτύων, για την πρόβλεψη της ζήτησης ηλεκτρικής ενέργειας. Τα νευρωνικά δίκτυα είναι εξαιρετικά ισχυρά στο να αναγνωρίζουν πρότυπα, να μπορούν να μάθουν να συσχετίζουν σύνθετα δεδομένα, γεγονός που τα κάνει κατάλληλα για την πρόβλεψη φορτίου ηλεκτρικής ενέργειας, το οποίο επηρεάζεται από μεγάλο αριθμό 6 παραγόντων όπως οι καιρικές συνθήκες, η οικονομική δραστηριότητα και οι κοινωνικές συμπεριφορές [6]. Η παρούσα διπλωματική εργασία στόχο έχει να σχεδιάσει και να εφαρμόσει ένα μοντέλο νευρωνικών δικτύων, που να ανταποκρίνεται στις σύγχρονες απαιτήσεις των ενεργειακών συστημάτων, και να μπορεί να μας δίνει αξιόπιστες προβλέψεις με το μικρότερο δυνατό στατιστικό λάθος για την βραχυπρόθεσμη, μεσοπρόθεσμη και μακροπρόθεσμη πρόβλεψη της κατανάλωσης ηλεκτρικού φορτίου. Το μοντέλο μας θα εκπαιδευτεί με ιστορικά δεδομένα φορτίου (Οι μετρήσεις αυτές καταγράφονται για την περιοχή Tocumen (toc) στην πόλη του Παναμά, καθώς και για τις πόλεις Santiago (san) και David (dav)) και με επιπλέον παραμέτρους που επηρεάζουν τη ζήτηση. Για την υλοποίηση της πρόβλεψης, χρησιμοποιήσαμε το Matlab, και συγκεκριμένα το Neural Network Toolbox, λόγω της ευρείας βιβλιοθήκης συναρτήσεών του για την υλοποίηση νευρωνικών δικτύων. Με βάση τα αποτελέσματα του πειράματος, καταλήξαμε σε συμπεράσματα για την αξιοπιστία του μοντέλου μας και, γενικότερα, για τα νευρωνικά δίκτυα στην πρόβλεψη της ζήτησης ηλεκτρικής ενέργειας σε σύγκριση με τις παραδοσιακές μεθόδους.","Electricity load forecasting is the most critical element for the efficient management and operation of energy systems. The more accurate estimation of electricity demand we have, the better we can plan its generation, storage and distribution, thus reducing operating costs and optimal use of resources. The US Energy Information Administration's (EIA) definition of electricity demand is: \"The rate at which energy is delivered to loads and scheduling points per generation, transmission and distribution facilities\", which is in line with their definition of electrical load as \"End-use device or customer receiving power from the electrical system\" [19] The forecast of consumption is directly related to the demand for electricity such as in a house, a factory, a city or a country. Certainly, the larger the scale for prediction, the more complex and voluminous data we need. With the development of Big Data technology, big data has become a research topic and a common concern in academia and industry [10]. The in-depth application of data collection technology, the development of the internet, the increase in the number of various sensors and smart devices and the continuous evolution in their operations, all kinds of data ingested are now more transparent and easier to obtain. The frequency of collection and accuracy of electricity generation data and other information are also constantly being improved, in a way that allows us to have a high-quality and massive dataset for the research of power generation load forecasting, where it also provides a database for the use of deep machine learning [10]. The diploma thesis examines the use of machine learning techniques, specifically neural networks, to forecast electricity demand. Neural networks are extremely powerful in recognizing patterns, being able to learn to correlate complex data, which makes them suitable for predicting electricity load, which is influenced by a large number of factors such as weather conditions, economic activity and social behaviors. [19] This diploma thesis aims to design and implement a neural network model that meets the modern requirements of energy systems and can give us reliable predictions with the least possible statistical error for the short, medium and long term prediction of electrical load 9 consumption. Our model will be trained with historical load data (these measurements are recorded for the Tocumen (toc) district in Panama City, as well as for the cities of Santiago (san) and David (dav)) and additional parameters that affect demand. To implement the prediction, we used Matlab, specifically the Neural Network Toolbox, because of its wide library of functions for implementing neural networks. Based on the results of the experiment, we reached conclusions about the reliability of our model and, more generally, about neural networks in predicting electricity demand compared to traditional methods."]},{"key":"dc:title","label":"Title","values":["Προηγμένες Τεχνικές Πρόβλεψης Φορτίου με Χρήση Νευρωνικών Δικτύων"]}]}],"canonical_facts":{"dc:creator":["Γραμματικός Δημήτριος","Grammatikos Dimitrios"],"dc:date":["2025"],"dc:description":["Η πρόβλεψη φορτίου ηλεκτρικής ενέργειας αποτελεί το πιό κρίσιμο στοιχείο για την αποδοτική διαχείριση και λειτουργία των ενεργειακών συστημάτων. Όσο πιο ακριβή εκτίμηση της ζήτησης ηλεκτρικής ενέργειας έχουμε, τόσο καλύτερα μπορούμε να σχεδιάσουμε την παραγωγή ,αποθήκευση και διανομή της, μειώνοντας έτσι το κόστος λειτουργίας και την βέλτιστη χρήση των πόρων. Ο ορισμός της ζήτησης ηλεκτρικής ενέργειας βάσει της Υπηρεσίας Πληροφοριών Ενέργειας των ΗΠΑ (EIA) είναι : «Ο ρυθμός με τον οποίο η ενέργεια παραδίδεται στα φορτία και στα σημεία προγραμματισμού ανά παραγωγή, εγκαταστάσεις μεταφοράς και διανομής», που ευθυγραμμίζεται με τον ορισμό τους για το ηλεκτρικό φορτίο ως «Συσκευή τελικής χρήσης ή πελάτης που λαμβάνει ισχύ από το ηλεκτρικό σύστημα» [19]. Η πρόβλεψη της κατανάλωσης έχει απευθείας σχέση με τη ζήτηση ηλεκτρικής ενέργειας όπως σε ένα οίκημα, σε ένα εργοστάσιο, σε μία πόλη ή σε μία χώρα. Βεβαίως όσο πιό μεγάλη είναι η κλίμακα για την πρόβλεψη τόσο πιό πολύπλοκα και ογκώδη δεδομένα χρειαζόμαστε . Με την ανάπτυξη της τεχνολογίας μεγάλων δεδομένων (Big Data), τα μεγάλα δεδομένα έχουν πλέον γίνει ερευνητικό θέμα και κοινή ανησυχία στον ακαδημαϊκό χώρο και τη βιομηχανία [10]. Η εις βάθος εφαρμογή της τεχνολογίας συλλογής δεδομένων, η ανάπτυξη του διαδικτύου, η αύξηση του αριθμού των διαφόρων αισθητήρων και έξυπνων συσκευών και η συνεχόμενη εξέλιξη στις λειτουργίες τους, όλα τα είδη των δεδομένων που προσλαμβάνονται είναι πλέον πιο διαφανή και εύκολο να αποκτηθούν. Η συχνότητα συλλογής και η ακρίβεια των δεδομένων της παραγωγής ηλεκτρικής ενέργειας και άλλες πληροφορίες βελτιώνονται επίσης συνεχώς, με τρόπο που μας επιτρέπει να έχουμε ένα υψηλής ποιότητας και μαζικό σύνολο δεδομένων για την έρευνα της πρόβλεψης φορτίου παραγωγής ενέργειας, όπου παρέχει επίσης μια βάση δεδομένων για τη χρήση βαθιάς μηχανικής μάθησης [10]. Στο πλαίσιο της διπλωματικής εργασίας εξετάζεται η χρήση τεχνικών μηχανικής μάθησης και συγκεκριμένα των νευρωνικών δικτύων, για την πρόβλεψη της ζήτησης ηλεκτρικής ενέργειας. Τα νευρωνικά δίκτυα είναι εξαιρετικά ισχυρά στο να αναγνωρίζουν πρότυπα, να μπορούν να μάθουν να συσχετίζουν σύνθετα δεδομένα, γεγονός που τα κάνει κατάλληλα για την πρόβλεψη φορτίου ηλεκτρικής ενέργειας, το οποίο επηρεάζεται από μεγάλο αριθμό 6 παραγόντων όπως οι καιρικές συνθήκες, η οικονομική δραστηριότητα και οι κοινωνικές συμπεριφορές [6]. Η παρούσα διπλωματική εργασία στόχο έχει να σχεδιάσει και να εφαρμόσει ένα μοντέλο νευρωνικών δικτύων, που να ανταποκρίνεται στις σύγχρονες απαιτήσεις των ενεργειακών συστημάτων, και να μπορεί να μας δίνει αξιόπιστες προβλέψεις με το μικρότερο δυνατό στατιστικό λάθος για την βραχυπρόθεσμη, μεσοπρόθεσμη και μακροπρόθεσμη πρόβλεψη της κατανάλωσης ηλεκτρικού φορτίου. Το μοντέλο μας θα εκπαιδευτεί με ιστορικά δεδομένα φορτίου (Οι μετρήσεις αυτές καταγράφονται για την περιοχή Tocumen (toc) στην πόλη του Παναμά, καθώς και για τις πόλεις Santiago (san) και David (dav)) και με επιπλέον παραμέτρους που επηρεάζουν τη ζήτηση. Για την υλοποίηση της πρόβλεψης, χρησιμοποιήσαμε το Matlab, και συγκεκριμένα το Neural Network Toolbox, λόγω της ευρείας βιβλιοθήκης συναρτήσεών του για την υλοποίηση νευρωνικών δικτύων. Με βάση τα αποτελέσματα του πειράματος, καταλήξαμε σε συμπεράσματα για την αξιοπιστία του μοντέλου μας και, γενικότερα, για τα νευρωνικά δίκτυα στην πρόβλεψη της ζήτησης ηλεκτρικής ενέργειας σε σύγκριση με τις παραδοσιακές μεθόδους.","Electricity load forecasting is the most critical element for the efficient management and operation of energy systems. The more accurate estimation of electricity demand we have, the better we can plan its generation, storage and distribution, thus reducing operating costs and optimal use of resources. The US Energy Information Administration's (EIA) definition of electricity demand is: \"The rate at which energy is delivered to loads and scheduling points per generation, transmission and distribution facilities\", which is in line with their definition of electrical load as \"End-use device or customer receiving power from the electrical system\" [19] The forecast of consumption is directly related to the demand for electricity such as in a house, a factory, a city or a country. Certainly, the larger the scale for prediction, the more complex and voluminous data we need. With the development of Big Data technology, big data has become a research topic and a common concern in academia and industry [10]. The in-depth application of data collection technology, the development of the internet, the increase in the number of various sensors and smart devices and the continuous evolution in their operations, all kinds of data ingested are now more transparent and easier to obtain. The frequency of collection and accuracy of electricity generation data and other information are also constantly being improved, in a way that allows us to have a high-quality and massive dataset for the research of power generation load forecasting, where it also provides a database for the use of deep machine learning [10]. The diploma thesis examines the use of machine learning techniques, specifically neural networks, to forecast electricity demand. Neural networks are extremely powerful in recognizing patterns, being able to learn to correlate complex data, which makes them suitable for predicting electricity load, which is influenced by a large number of factors such as weather conditions, economic activity and social behaviors. [19] This diploma thesis aims to design and implement a neural network model that meets the modern requirements of energy systems and can give us reliable predictions with the least possible statistical error for the short, medium and long term prediction of electrical load 9 consumption. Our model will be trained with historical load data (these measurements are recorded for the Tocumen (toc) district in Panama City, as well as for the cities of Santiago (san) and David (dav)) and additional parameters that affect demand. To implement the prediction, we used Matlab, specifically the Neural Network Toolbox, because of its wide library of functions for implementing neural networks. Based on the results of the experiment, we reached conclusions about the reliability of our model and, more generally, about neural networks in predicting electricity demand compared to traditional methods."],"dc:identifier":["uoadl:5314008","https://pergamos.lib.uoa.gr/uoa/dl/object/5314008"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Προηγμένες Τεχνικές Πρόβλεψης Φορτίου με Χρήση Νευρωνικών Δικτύων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:40:54Z"}